属性property

私有属性添加getter和setter方法

对于类对象的私有属性，我们不能直接调用，可以添加方法来调用。

class Person:

    def __init__(self):

        pass

    def setAge(self,age):

        if 0<=age<=100:

            self.__age = age

        else:

            self.__age = 16

            print('输入的年龄不符合')

    def getAge(self):

        return self.__age

p1 = Person()

p1.setAge(10)

print(p1.getAge())

p1.setAge(200)

print(p1.getAge())

结果：

10

输入的年龄不符合

16

使用property升级getter和setter方法

class Person:

    def __init__(self):

        pass

    def setAge(self,age):

        if 0<=age<=100:

            self.__age = age

        else:

            self.__age = 16

            print('输入的年龄不符合')

    def getAge(self):

        return self.__age

        age = property(getAge,setAge)

p1 = Person()

p1.age = 10

print(p1.age)

p1.age = 200

print(p1.age)

结果：

10

入的年龄不符合

16

使用property取代getter和setter方法

class Person:

    def __init__(self):

        pass

    @property

    def age(self):

        return self.__age

    @age.setter

    def age(self,age):

        if 0<=age<=100:

            self.__age = age

        else:

            self.__age = 16

            print('输入的年龄不符合')

p1 = Person()

p1.age = 10

print(p1.age)

p1.age = 200

print(p1.age)

结果：

10

输入的年龄不符合

16

生成器

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。

创建生成器

1.把列表生成式的[]改成()

如：

[ x*2 for x in range(5)]

改为：

( x*2 for x in range(5))

如果想要打印，可以通过next（）获取生成器的下一个返回值，而且，generator也是可迭代的，所以也可以用循环遍历。

2.有的比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。

可以用yield

例如：

def fib(num):

    a,b = 0,1

    while num>0:

        yield b

        a,b = b,a+b

        num-=1

f = fib(5)

print(' ',next(f))

print(' ',next(f))

for i in f:

    print(i)

在上面fib 的例子，我们在循环过程中不断调用 yield ，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。同样的，把函数改成generator后，我们基本上从来不会用 next() 来获取下一个返回值，而是直接使用 for 循环来迭代。

但是用for循环调用generator时，发现拿不到generator的return语句的返回值。如果想要拿到返回值，必须捕获StopIteration错误，返回值包含在StopIteration的value中。

send：

执行到yield时，gen函数作用暂时保存，返回i的值;temp接收下次c.send("python")，send发送过来的值，c.next()等价c.send(None)。

def nums():

    for i in range(10):

        ret = yield i

        if ret == '平方':

            print(i**2)

        elif ret == '立方':

            print(i**3)

num = nums()

print(num)

print(next(num))

print(next(num))

print(next(num))

print(next(num))

print(next(num))

print('----------')

num1 = nums()

next(num1)

num1.send('平方')

num1.send('平方')

num1.send('平方')

num1.send('立方')

num1.send('立方')

num1.send('立方')

__next__:作为一个魔法方法，__next__等价于next（）

生成器是这样一个函数，它记住上一次返回时在函数体中的位置。对生成器函数的第二次（或第 n 次）调用跳转至该函数中间，而上次调用的所有局部变量都保持不变。

生成器不仅“记住”了它数据状态；生成器还“记住”了它在流控制构造（在命令式编程中，这种构造不只是数据值）中的位置。

生成器的特点：

节约内存

迭代到下一次的调用时，所使用的参数都是第一次所保留下的，即是说，在整个所有函数调用的参数都是第一次所调用时保留的，而不是新创建的

迭代器

迭代是访问集合元素的一种方式。迭代器是一个可以记住遍历的位置的对象。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。

可迭代对象

以直接作用于 for 循环的数据类型有以下几种：

一类是集合数据类型，如 list 、 tuple 、 dict 、 set 、 str 等；

一类是 generator ，包括生成器和带 yield 的generator function。

这些可以直接作用于 for 循环的对象统称为可迭代对象： Iterable 。

判断是否可以迭代

可以使用 isinstance() 判断一个对象是否是 Iterable 对象：

from collections import Iterable,Iterator

def f():

    yield 'hello'

print(isinstance(f(),Iterable))

print(isinstance(f(),Iterator))

print(isinstance('abc',Iterable))

print(isinstance('abc',Iterator))

迭代器

可以被next()函数调用并不断返回下一个值的对象称为迭代器：Iterator。

可以使用 isinstance() 判断一个对象是否是 Iterator 对象。

iter()函数

生成器都是 Iterator 对象，但 list 、 dict 、 str 虽然是 Iterable ，却不是 Iterator 。

把 list 、 dict 、 str 等 Iterable 变成 Iterator 可以使用 iter() 函数。

name = 'abc'

myIter = iter(name)

print(type(myIter))

print(isinstance(myIter,Iterator))

try:

    print(next(myIter))

    print(next(myIter))

    print(next(myIter))

    print(next(myIter))

except StopIteration as ex:

    print('迭代完了,%s'%ex)

闭包

函数引用

闭包概念：

在函数内部再定义一个函数，并且这个函数用到了外边函数的变量，那么将这个函数以及用到的一些变量称之为闭包。

def test(number):

    '''

    在函数内部再定义一个函数，并且这个函数用到了外边函数的变量，

    那么将这个函数以及用到的一些变量称之为闭包

    '''

    def test_in(number_in):

        print("in test_in 函数, number_in is %d"%number_in)

        return number+number_in

    #其实这里返回的就是闭包的结果

    return test_in

#给test函数赋值，这个20就是给参数number

ret = test(20)

#注意这里的100其实给参数number_in

print(ret(100))

#注意这里的200其实给参数number_in

print(ret(200))

闭包思考：

1.闭包似优化了变量，原来需要类对象完成的工作，闭包也可以完成

2.由于闭包引用了外部函数的局部变量，则外部函数的局部变量没有及时释放，消耗内存

装饰器

装饰器，功能就是在运行原来功能基础上，加上一些其它功能，比如权限的验证，比如日志的记录等等。不修改原来的代码，进行功能的扩展。

比如java中的动态代理，python的注解装饰器

其实python的装饰器，是修改了代码。

def login(func):

    def inner(a,b):

        user = input('请输入用户名：')

        psd = input('请输入密码：')

        if user == a and psd == b:

            print('Welcome in!')

            func(a,b)

        else:

            print('Passward error!')

    return inner

@login

def f1(nowHaveUser,nowHavePsd):

print('f1')

def f2():

print('f2')

def f3():

print('f3')

def f4():

print('f4')

f1('haha','123456')

python解释器就会从上到下解释代码，步骤如下：

1.def login(func): ==>将login函数加载到内存

2.@login

没错， 从表面上看解释器仅仅会解释这两句代码，因为函数在 没有被调用之前其内部代码不会被执行。

从表面上看解释器着实会执行这两句，但是@login这一句代码里却有大文章，@函数名 是python的一种语法糖。

上例@login内部会执行一下操作：

执行login函数

执login1函数 ，并将@login下面的函数作为login函数的参数，即：@login等价于login(f1)所以，内部就会去执行。